用paddle库实现线性回归的代码

在PaddlePaddle（简称Paddle）这个深度学习框架中，实现线性回归非常简单。首先，你需要安装PaddlePaddle库，然后可以按照以下步骤编写代码：

# 导入必要的库
import paddle
from paddle import fluid

# 定义数据维度
input_dim = 2  # 假设输入有两列特征
output_dim = 1  # 输出是一个数值

# 创建占位符用于输入和标签
x = paddle.data(name='x', shape=[None, input_dim], dtype='float32')  # 输入数据
y = paddle.data(name='y', shape=[None, output_dim], dtype='float32')  # 标签数据

# 初始化权重和偏置变量，并设置初始值
w = paddle.create_parameter(shape=[input_dim, output_dim], dtype='float32', is_bias=False)
b = paddle.create_parameter(shape=[output_dim], dtype='float32', is_bias=True)

# 线性模型预测
prediction = paddle.nn.functional.linear(x, w) + b

# 损失函数（均方误差）
loss = paddle.mean((prediction - y) ** 2)

# 使用Adam优化器训练模型
optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=[w, b])

# 训练过程
for epoch in range(num_epochs):  # 设定训练轮数
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数
    optimizer.clear_grad()  # 清空梯度

# 预测
test_x_data = ...  # 测试数据
predictions = paddle.nn.functional.linear(test_x_data, w.eval()) + b.eval()

在这个例子中，我们首先定义了输入和输出的占位符，创建了线性层并计算预测值。然后计算损失，选择优化器（这里使用的是Adam），进行训练迭代，并最终在测试数据上进行预测。